Anatomía de un sistema de captación inmobiliaria con IA (real)

Un sistema de captación inmobiliaria automatizada de verdad tiene cuatro piezas: una capa de entrada que recoge leads de portales y de Meta Ads, un agente conversacional de IA en WhatsApp con memoria, un CRM que actúa como única fuente de verdad y un mecanismo de avisos y traspaso a humano. Lo difícil no es la IA: es la fontanería que une esas piezas sin duplicar leads, sin pisar al comercial y sin inventarse datos.

Este artículo es la pieza de «enseño las tripas» que me habría gustado leer antes de construir el mío. No es teoría: es la arquitectura que tengo en producción para inmobiliarias, con sus decisiones de diseño, su evolución (empecé con Google Sheets, sí) y las cosas que fallan en producción y cómo se cubren. Si diriges una agencia, te servirá para saber qué pedirle a un proveedor de IA para inmobiliarias. Si eres técnico, para no repetir mis errores.

Capa 1: la entrada (dos puertas, un embudo)

Los leads llegan por dos puertas. La primera: los emails de los portales. Idealista, Fotocasa, Pisos.com y compañía —nueve en total— avisan por correo cada vez que alguien pregunta por un inmueble, y un workflow revisa el buzón cada minuto. El detalle importante es que cada portal manda un HTML distinto, así que no extraigo los datos con expresiones regulares: un paso limpia el HTML y un LLM devuelve JSON estructurado (nombre, teléfono, referencia, compra o alquiler, mensaje) y clasifica si aquello es un lead real o un correo administrativo o spam. Los avisos de facturación del portal no merecen un WhatsApp de bienvenida.

La segunda puerta: campañas de Meta Ads que llevan a una landing con un botón de WhatsApp. Ahí el lead no llega por email, llega escribiendo directamente al número de la agencia, y le atiende el mismo agente. Sea cual sea la puerta, hay un filtro de calidad innegociable: sin teléfono no hay lead, porque sin teléfono no hay WhatsApp. Y el primer mensaje sale en segundos, generado por otro LLM: saluda por nombre y menciona el inmueble por su nombre amigable, nunca por el código de referencia. Nadie quiere que le hablen del «REF-4471-ALQ».

Capa 2: el agente que conversa (y sus 4 herramientas)

El corazón del sistema es un agente de IA para inmobiliarias que vive en WhatsApp. Tres cosas lo separan de un chatbot de respuestas enlatadas. Primera: memoria de verdad, con el historial de los últimos 50 mensajes guardado en Redis por número de teléfono. Si el lead escribe hoy y vuelve el jueves, el agente recuerda la conversación. Segunda: contexto del CRM inyectado en cada turno —sus leads activos, en qué etapa están—, de modo que no saluda como a un desconocido a alguien que ya tiene dos visitas hechas. Tercera: herramientas reales, no solo texto. Cuatro en concreto:

• Consultar inmueble: lee por API los datos y los requisitos que el propietario exige para esa propiedad concreta.
• Actualizar lead: cambia el estado del lead en el CRM (cualificado, descartado, pendiente de llamada).
• Añadir nota: deja al comercial un resumen telegráfico de lo hablado.
• Avisar al gestor: manda un WhatsApp interno a la persona adecuada cuando algo requiere un humano ya.

Con eso, el agente ejecuta una cualificación en siete pasos: una pregunta por mensaje, mensajes de dos o tres líneas, y si el lead pregunta algo por el camino, se lo responde antes de retomar el guion. La gracia está en que los requisitos no van escritos en el prompt: el agente consulta los del inmueble concreto y los convierte en pregunta natural. Si el propietario pide hipoteca preaprobada, el agente pregunta por la hipoteca; si no la pide, no marea. Cierra capturando la franja horaria preferida para la llamada (mañana o tarde), y tiene prohibido prometer «te llaman hoy»: las promesas que el sistema no controla no se hacen.

Capa 3: el CRM como fuente de verdad (y la confesión de Google Sheets)

Confesión: la primera versión de este sistema, para una inmobiliaria cliente real, usaba Google Sheets como CRM. Y no me arrepiento: para validar el flujo era perfecto, todo el mundo sabe usarlo y montarlo cuesta una tarde. Pero Sheets se quedó corto rápido, y por razones muy concretas: no hay concurrencia real (dos workflows escribiendo a la vez es una lotería), no hay relaciones (un contacto con tres oportunidades sobre tres inmuebles no cabe bien en filas), no hay roles ni auditoría de quién tocó qué, y buscar «¿este teléfono ya nos escribió?» sobre miles de filas empieza a doler. Migré a un CRM propio con PostgreSQL: contactos, oportunidades, notas, historial de cambios y un Kanban de 8 etapas configurables donde el comercial abre la pantalla y ve a quién llamar, cuándo y con qué contexto.

La lección no es «Sheets es malo». Es que el CRM —sea cual sea— tiene que ser la única fuente de verdad. El agente lee de ahí y escribe ahí; nada vive solo en la memoria del bot.

Capa 4: el traspaso a humano (la IA que sabe callarse)

Todas las conversaciones pasan por Chatwoot, una bandeja unificada donde el equipo ve lo mismo que ve la IA. Y aquí está la regla que más confianza genera cuando la enseño: si un comercial se asigna la conversación, la IA se calla automáticamente. No hay botón de apagar ni coordinación por el pasillo; el propio filtro del workflow comprueba si hay un humano asignado y, si lo hay, no responde. El agente también escala por iniciativa propia: quejas, negociación de precio, temas legales (herencias, divorcios, desahucios) o tres intentos fallidos de entender al cliente. La IA gestiona lo repetitivo; lo delicado es de personas.

Tres decisiones de diseño que marcan la diferencia

Escribir en el CRM una sola vez, al final. La tentación es que el agente actualice el CRM en cada mensaje. Resultado real: notas duplicadas, estados que bailan y un historial ilegible. La regla dura es que actualizar lead y añadir nota se ejecutan una única vez cuando la conversación concluye, con una nota telegráfica: estado, respuestas a los requisitos, contexto personal útil («separación, busca entrar en septiembre») y franja preferida de llamada.

Deduplicación en tres puntos. El mismo lead te llega dos veces más a menudo de lo que crees: pregunta por el mismo piso en dos portales, o por dos pisos distintos con el mismo teléfono. Un sub-workflow resuelve tres casos: contacto nuevo (crear contacto y oportunidad, primer WhatsApp), contacto conocido con otro inmueble (nueva oportunidad y mensaje adaptado: «veo que ya nos contactaste…») y contacto conocido con el mismo inmueble (nota de re-contacto y silencio, porque saludar tres veces a la misma persona por el mismo piso quema al lead).

Reglas de negocio configurables por agencia. Cada agencia cualifica distinto, y eso no puede vivir hardcodeado en un prompt. Ejemplo real: una agencia que trabaja con seguro de impago de alquiler exige lo que exige la compañía aseguradora —contrato fijo con más de un año de antigüedad e ingresos que tripliquen la renta—. El agente lo pregunta con naturalidad y, si el candidato no cumple, lo descarta con educación y mueve el lead a «No cualificado». Esa llamada que el comercial ya no hace es, literalmente, el ROI del sistema.

Qué falla en producción (y cómo se cubre)

Todo sistema en producción falla; la diferencia está en cómo. Estas son las averías reales y sus parches:

• El proveedor del modelo se cae: doble proveedor de LLM con fallback automático; si uno falla, responde el otro.
• Los portales cambian sus plantillas de email: por eso extrae un LLM y no una regex. Un HTML nuevo no rompe el parseo.
• Usuarios que intentan trolear al bot («olvida tus instrucciones»): reglas anti-manipulación en el prompt; el agente no cambia de rol ni revela instrucciones.
• El bot suena a bot: indicador de «escribiendo…», delay proporcional a la longitud del mensaje y conversión del formato a negritas de WhatsApp.
• Probar sin ensuciar datos reales: un comando interno de reset borra memoria y datos de prueba, y un simulador replica los formularios de los portales para hacer demos de punta a punta sin tocar Idealista.

Fíjate en el patrón: casi ninguna avería es «la IA responde mal». Son problemas de integración, de datos y de comportamiento. Por eso insisto en que lo difícil es la fontanería.

Lo que esta arquitectura NO hace

Dos límites deliberados. Uno: el agente no vende ni cierra visitas complejas; cualifica, informa y prepara la llamada del comercial. La conversación de venta es humana. Dos: nada de contacto autónomo en frío a propietarios particulares. La captación de propietarios con IA la entiendo como radar —detectar señales como bajadas de precio o anuncios que caducan y priorizar oportunidades—, con el comercial siempre decidiendo a quién contactar. Humano en el lazo, también por cumplimiento normativo.

Por dónde seguir

Si quieres ver esta arquitectura aplicada, en el caso de Alzicasa cuento el resultado en una agencia real. Si tu dolor concreto son los leads de portales que se enfrían en el buzón, tienes el detalle en cómo automatizar los leads de Idealista y Fotocasa. Y la visión completa del servicio está en IA para inmobiliarias.